Forma: FRACA

Estudos de Passeio Aleatório (Random Walk Studies)

Fama revisa uma série de trabalhos que utilizam estatísticas de correlação e autocorrelação para testar se há dependência entre os retornos passados e futuros das ações

• Resultados: A maioria dos estudos encontrou pouca ou nenhuma autocorrelação significativa nos retornos das ações, sugerindo que os preços realmente seguem um padrão próximo de um passeio aleatório, o que sustenta a forma fraca da EMH.

• Implicação: Os investidores não podem usar análise técnica, baseada em dados históricos de preços e volumes, para prever consistentemente os preços futuros e obter retornos anormais.

Forma: FRACA

Testes com Análise Técnica

Estudos mostraram que padrões como “cabeça e ombros” ou “linhas de suporte e resistência” não ofereciam previsibilidade significativa dos movimentos de preços futuro

• Resultados: A análise técnica foi amplamente ineficaz em mercados eficientes. Estratégias de negociação baseadas em preços históricos não mostraram capacidade de prever consistentemente retornos acima da média.

Forma: SEMI-FORTE

Estudos de eventos

Analisam como os preços das ações respondem a eventos específicos, como anúncios de lucros, fusões e aquisições, ou mudanças de política econômica

• Resultados: Sugere que o mercado incorpora rapidamente as informações nos preços, como previsto pela eficiência semiforte.

• Implicação: Os preços das ações ajustam-se rapidamente para refletir essa nova informação, deixando pouca ou nenhuma oportunidade para os investidores obterem retornos anormais.

Testes com informação pública

Testam a capacidade da análise fundamentalista de gerar retornos superiores ao mercado

• Resultados: Em mercados eficientes, a análise fundamentalista também tem pouca eficácia em prever consistentemente retornos anormais

• Implicação: Sugere que as informações publicamente disponíveis são rapidamente incorporadas aos preços

How Algorithmic Trading Undermines Efficiency in Capital Markets (Yesha Yadav, 2015)

• Tese Principal: O trading algorítmico prejudica a eficiência da alocação de capital nos mercados de valores mobiliários.
• Objetivo: Analisar como a negociação algorítmica afeta a eficiência informacional e alocativa.

Trading Algorítmico e Risco de Modelo

• Definição: Trading algorítmico usa algoritmos pré-programados para transacionar ativos financeiros.
• Risco de Modelo: Risco associado ao fato de que os modelos financeiros falham em capturar a complexidade do mundo real.
• Implicação: Gera incentivos para focar em mercados de curto prazo, onde a previsão é mais fácil.

Impacto na Eficiência Informacional

• Eficiência Informacional: Refere-se à capacidade dos preços dos ativos refletirem toda a informação disponível.
• Efeito dos Algoritmos: Embora o trading algorítmico aumente a eficiência informacional em mercados de curto prazo, ele falha em promover a eficiência de longo prazo.
• Perda de Incentivo: Traders informados têm menos incentivo para participar e fornecer insights que corrigem falhas de informação.

Problemas de Alocação de Capital

• Eficiência Alocativa: A eficiência de alocação de capital está comprometida porque os preços refletem cada vez menos o valor fundamental das empresas.
• Curto Prazo: Algoritmos são desenvolvidos para serem bem-sucedidos em horizontes de curto prazo, o que prejudica a capacidade dos mercados de alocar capital de forma eficiente para o longo prazo.

Desafios para os Traders Informados

• Dificuldades: Traders informados enfrentam desafios para competir com algoritmos de alta velocidade.
• Risco de Perda de Retornos: Traders tradicionais perdem retornos potenciais, reduzindo o incentivo para investir em análises de longo prazo.
• Efeito no Mercado: Menor participação de traders informados leva a preços que não capturam adequadamente as perspectivas de longo prazo.

Implicações Regulatórias

• Dependência dos Preços: A regulação atual depende fortemente dos preços como indicador da eficiência alocativa.
• Problemas da Regulamentação: Se os preços não refletem a saúde fundamental das empresas, o uso de preços para regular e monitorar a governança corporativa se torna questionável.

Caminhos para Reforma

• Propostas de Reforma:
  • Incentivos para Eficiência: Melhorar os incentivos para que os traders ajudem a corrigir falhas de informação no mercado.
  • Transparência de Modelos: Exigir mais transparência nos modelos usados nos algoritmos de negociação.
• Objetivo: Reforçar a capacidade dos mercados financeiros de alocar capital eficientemente para a economia real.

Conclusão

• Resumo: O trading algorítmico gera uma desconexão entre a eficiência informacional e a eficiência alocativa.
• Reflexão Crítica: É necessário reavaliar a dependência da regulação sobre os preços como uma medida de eficiência de mercado.
• Próximos Passos: Implementar reformas para assegurar que os mercados cumpram seu papel fundamental na alocação eficiente de capital.

As Condenações do Insider Trading Primário e Secundário na Comissão de Valores Mobiliário entre 2017 e 2021: uma análise de conteúdo a partir do Iramuteq (Ives Nahama Gomes dos Santos e Mariana Dionísio de Andrade, 2022)

• Tese Principal: A principal diferença entre processos administrativos sancionadores (PAS) da Comissão de Valores Mobiliários (CVM) para insiders primários e secundários está na presunção da relevância da informação privilegiada.
• Objetivo: Analisar diferenças nas condenações de insiders primários e secundários por uso de informações privilegiadas, usando uma metodologia de análise de conteúdo com o auxílio do software Iramuteq.

Insider Trading: Definições e Contexto Regulatório

• Definição: O insider trading refere-se ao uso de informações não públicas para negociação de valores mobiliários. Existem dois tipos de insiders: primários, que possuem acesso direto à informação em razão do cargo, e secundários, que recebem informações de forma indireta.
• Marco Regulatório: A regulação do insider trading no Brasil é feita pela CVM, com base na Lei 6.385/76 e instruções normativas, como a ICVM nº 358/2002. A CVM é responsável por fiscalizar e aplicar sanções administrativas.

Metodologia Utilizada

• Metodologia de Análise de Conteúdo (AC): Utilizada para identificar padrões nas decisões da CVM entre 2017 e 2021, com o auxílio do software Iramuteq. A AC foi escolhida por sua capacidade de descrever e interpretar conteúdos de maneira sistemática.
• MAD - Metodologia de Análise de Decisões: Aplicada para entender a fundamentação dos votos e suas possíveis diferenças entre insiders primários e secundários.

Diferenças entre Insiders Primários e Secundários

• Insiders Primários: Estes possuem acesso direto à informação privilegiada em razão de sua posição na empresa. A maior diferença identificada é a presunção de que a informação é relevante para esses insiders, sendo este um fator decisivo para justificar condenações.
• Insiders Secundários: Insiders que obtêm informação privilegiada sem ocuparem cargos internos da empresa. Para eles, não há presunção de que a informação seja relevante, e cabe à CVM provar que houve acesso e uso da informação.

Principais Resultados

• Condenações e Absolvições: Dos 25 insiders primários analisados, 14 foram absolvidos, enquanto todos os 14 insiders secundários foram condenados. Para os primários, a absolvição foi justificada em casos onde não havia evidência de que a informação era relevante ou que ela foi efetivamente utilizada.
• Montante das Multas: As multas aplicadas a insiders primários foram muito superiores, totalizando mais de 500 milhões de reais, enquanto as multas para secundários somaram cerca de 7,5 milhões de reais. Essa discrepância reflete a obrigação maior dos insiders primários em relação à confidencialidade.

Analise de Similitude

Impactos na Eficiência dos Mercados

• Transparência e Eficiência de Mercado: A regulação visa garantir um mercado eficiente, promovendo a simetria da informação entre investidores. No entanto, a distinção entre primários e secundários demonstra que ainda há dificuldades na aplicação uniforme da regulação.
• Risco de Distorções: A dificuldade em punir insiders primários com a mesma frequência que os secundários pode gerar distorções no mercado, favorecendo aqueles com acesso direto à informação.

Conclusão

• Resumo: A principal diferença nas decisões da CVM reside na presunção de relevância da informação privilegiada para insiders primários, o que não ocorre para os secundários. O uso do software Iramuteq permitiu identificar que a fundamentação dos votos varia significativamente entre os dois tipos de insiders.
• Implicações para o Mercado: As sanções desiguais entre primários e secundários podem impactar a confiança dos investidores e a percepção de justiça no mercado. É necessário considerar possíveis ajustes regulatórios para garantir que todos os agentes sejam responsabilizados de forma justa e eficiente.